Discusión sobre el artículo "Redes neuronales: así de sencillo (Parte 24): Mejorando la herramienta para el Transfer Learning"
Y en serio, "las redes neuronales son simples" es cuando hay como mucho dos artículos de esta longitud. No cuando creo que mt5 está colgado y ya hace un año que recibo notificaciones sobre el artículo " las redes neuronales son simples "
Las redes neuronales son sencillas (parte de 500988939928177231827361823461827631827361827361827361827361284762834762834762). Para cuando leas la última parte, lo más probable es que tengas 89 años y las redes neuronales ya no sean relevantes.
Y en serio, "las redes neuronales son simples" es cuando hay como mucho dos artículos de este tamaño. No cuando creo que mt5 está colgado y ya hace un año que recibo notificaciones sobre el artículo "las redes neuronales son simples "
La idea de "Las redes neuronales son sencillas" es mostrar la accesibilidad de la tecnología a todo el mundo. Sí, la serie es bastante larga. Pero el uso práctico está disponible para el lector desde el segundo artículo. Y cada artículo habla de nuevas posibilidades. Y es posible incluirlas en tus desarrollos justo después de leer el artículo. Utilizarlas o no es una cuestión personal de cada lector. No es necesario esperar al siguiente artículo. En cuanto al volumen del tema, puedo decir que la ciencia se desarrolla y cada día aparecen nuevos algoritmos. Es muy posible que su aplicación pueda dar frutos en el trading.
Y lo mismo puede decirse de cada uno de los artículos de la serie. Cuanto más te sumerges en el tema, más te das cuenta de la profundidad y el valor de estos artículos. Lo principal para los principiantes es no rendirse cuando no se ven en el artículo bonitos gráficos de crecimiento del equilibrio. El autor conduce suavemente a esto. Aunque, la copia de trabajo se adjunta a varios artículos, usted puede tomar y utilizar.
Dmitry gracias.
Nuevo artículo Neural networks made easy (Parte 24): Mejora de la herramienta para el aprendizaje por transferencia:
Autor: Dmitriy Gizlyk
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
Artículo publicado Redes neuronales: así de sencillo (Parte 24): Mejorando la herramienta para el Transfer Learning:
En el último artículo, creamos una herramienta capaz de crear y editar arquitecturas de redes neuronales. Hoy querríamos proponerles continuar con el desarrollo de esta herramienta, para lograr que resulte más fácil de usar. En cierto modo, esto se aleja un poco de nuestro tema, pero estará de acuerdo con que la organización del espacio de trabajo desempeña un papel importante en el resultado final.
En el anterior artículo de esta serie, creamos una herramienta para poder aprovechar la tecnología del Aprendizaje por Transferencia. Como resultado de un copioso trabajo, ahora tenemos una herramienta que permite editar modelos ya entrenados. Al hacerlo, podemos tomar cualquier número de capas neuronales de un modelo preentrenado. Obviamente, existen condiciones limitantes. Solo tomaremos capas consecutivas a partir de la capa de datos de origen. La razón de este enfoque parte de la naturaleza de las redes neuronales. Estas solo funcionan bien con datos de entrada similares a los utilizados en el entrenamiento del modelo.
Además, la herramienta creada permite no solo editar modelos entrenados, sino también crear modelos totalmente nuevos. Esto nos ahorra la necesidad de describir la arquitectura del modelo en el código del programa. Lo único que debemos hacer es crear un modelo con la herramienta, y luego entrenar y utilizar el modelo cargando la red neuronal creada desde un archivo. De esta forma, podremos experimentar con diferentes arquitecturas sin cambiar el código del programa. Ni siquiera tendremos que recompilar el mismo. Lo único que deberemos hacer es sustituir el archivo del modelo.
Obviamente, queremos que una herramienta tan útil resulte lo más fácil posible de usar. En este artículo, intentaremos hacer más cómodo su uso.
Autor: Dmitriy Gizlyk